基于pytorch的lstm时间回归预测（附全部代码）

最新推荐文章于 2024-09-13 03:48:17 发布
最新推荐文章于 2024-09-13 03:48:17 发布
阅读量1.2w 收藏 88
点赞数 12
文章标签： lstm pytorch 回归
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/neveranever/article/details/122215879
版权
本文针对新手详细解释了如何使用PyTorch实现LSTM进行时间序列回归预测，包括时间序列拆分、LSTM网络理解以及训练流程。通过实例强调了正确使用LSTM进行多特征预测的关键点，并提供了相关代码示例。
摘要由CSDN通过智能技术生成

首先说明作者是神经网络纯新手，虽然之前用过神经网络的代码，但基本上都是各种copy，只搞清楚了input_size和output_size，这两天因为工作需要要跑一个lstm的回归预测，在网上找的教程都不太清楚，对新手不是很友好，对新手友好的好像好多都是错的，自己也想了很久才想明白lstm回归预测到低是什么情况，跟大家分享一下，如果有错误也希望大家能指正。

首先是lstm的一张图，引自LSTM神经网络输入输出究竟是怎样的？，建议看本文章之前先找几个教程把lstm搞懂，我个人觉得lstm懂了的标志就是下面这张图你看懂了。

preview​

首先，厘清一下本文所针对的任务，多特征的时间序列回归预测，再说直白一点，数据长成这个样子

 简单来说就是n*m的ndarray，n表示时间序列的长度，m表示每一个时间点的feature，我图中的数据来自LSTM入门例子：根据前9年的数据预测后3年的客流（PyTorch实现），准确来说，这个数据也不是来自于这个作者，是一个经典的“航空客流预测”任务。这个作者应该是个机器学习的大佬，这篇文章很值得一读，但是估计新手也读不太懂，我纯新手反正一开始是没搞懂，但是非常不建议去看这篇文章的原版，因为原版完全是个错误例子。

因为是小白向我就不先说错误例子怎么做的了，只说一个最关键的点，“航空客流预测”任务中，时间序列很短只有100多个长度，完全可以一次性放进长度为100多的lstm里面训练，但是通常的时间回归预测任务里面，时间长度很多，势必要分成很多个定长的序列，然后再送进去训练。这一点也是最误解我的，我想了半天都想不通time_step到低去哪了，事实上分成训练集之后的时间序列数据本身长度就是那个time_step。（当然也可以不定长，事

最低0.47元/天 解锁文章
neveranever
关注
基于Pytorch+LSTM实现一元单步时间序列预测（保姆级教程）
Ri-yao的博客
06-17 3121
基于Pytorch+LSTM实现一元单步时间序列预测的保姆级教程，涵盖模型如何搭建、数据如何加载以及模型训练等相关技巧，更是包含各部分的详细代码！
利用LSTM（Long Short-Term Memory）进行回归预测的原理和python代码
qlkaicx的博客
05-09 5826
在这个例子中，输入的原始数据为一个长度为21的数组，然后通过generate_train_test_data()函数生成训练集和测试集。接下来，会建立一个LSTM模型来对数据进行回归预测，使用model.fit()函数来训练模型并对其进行优化。最后输出模型的误差和准确性结果，以便分析模型的表现。
在Python中使用PyTorch使用LSTM进行时间序列预测的数据预处理，比如金融数据，天气预报数据，飞机航班出行数据
最新发布
09-13 193
LSTM是一种特殊的循环神经网络（RNN），它能够学习时间序列数据中的长期依赖关系，因此非常适合进行时间序列预测。请注意，这个代码只是一个简单的示例，实际应用中可能需要更复杂的数据预处理、模型结构和训练策略。为了训练LSTM模型，我们需要将时间序列数据转换为序列数据。这通常涉及到定义一个时间窗口（例如12个月），并创建输入序列和相应的标签。我们将使用Seaborn库的内建数据集，例如“flights”数据集，它包含了12年的月度乘客数量。使用训练数据对模型进行训练，并在测试集上评估模型的性能。
Python-在PyTorch中使用LSTM进行风速预测
08-11
在PyTorch中使用LSTM进行风速预测
Python基于PyTorch实现循环神经网络回归模型(LSTM回归算法)项目实战
张陈亚的博客
07-24 4039
Python基于PyTorch实现循环神经网络回归模型(LSTM回归算法)项目实战
lstm - pytorch
baye_DOA的博客
05-01 454
1 lstm做分类 2 lstm做回归 3 lstm的参数输入 1 图像分类任务： train_loader中取出来的变量维度： torch.Size([64, 1, 28, 28]) 需要将其改成：torch.Size([64, 28, 28]) 代表batchsize , height, weight lstm的参数设置： input:形状的输入（seq_len，ba...
pytorch实现LSTM回归代码分享
weixin_41582053的博客
10-08 1万+
最近正在学习RNN相关的知识，并尝试使用LSTM网络实现回归分析。刚刚接触RNN相关网络的上手难度比较大，首先从CSDN上寻找相关的代码并没有找到比较满意的。这几天终于把LSTM相关网络调试通过现在把我的代码及数据集开源，供大家学习参考。 LSTM回归算法代码分享LSTM简介数据集介绍代码展示 LSTM简介 参考相关博客链接: LSTM这一篇就够了.，在这里不再介绍相关的理论知识。我对这个网络的理解：如果某个信号的时序性强，那么RNN相关网络的训练效果应该会比较好。 数据集介绍 数据集来源于相关课题，课题的
基于pytorch的LSTM模型训练与预测（附源码）
qq_65960840的博客
06-14 1万+
关于这个模型的基本概念可以查看这篇文章，写得很详细，我觉得能大概看明白反向传递各个部分的推导就行了。
基于pytorch的LSTM多变量多输出时间序列预测使用例
10-18
使用pytorch搭建的简单的LSTM多变量多输出时间序列预测的使用例。 生成了多个以sinx、cosx、tanx构成的序列，使用[i:i+50]的数据预测[i+51]的数据。x是步长为0.1的等差数列
pytorch LSTM的股价预测
qq_31267769的博客
01-04 1万+
股价预测一直以来都是幻想能够被解决的问题，本文中主要使用了lstm模型去对股价做一个大致的预测，数据来源是tushare，非常感谢tushare的数据！！ 为什么要用LSTM？ LSTM是一种序列模型，是RNN中最典型的一个网络结构，对RNN做了一些改进同时具有RNN的特性，可以更好的处理时序数据。 如果可以实现对股价的预测，作为一个股民，可以更好的掌握买卖点，以及辅助自己做决策等等，以此提高自己的收益率。你可以合理地决定什么时候买股票，什么时候卖股票来获利。这就是时间序列建模的用武之地。你需要一个好
LSTM实现时间序列预测(PyTorch版)
CSDN 精品推荐
01-09 1万+
为了训练数据，首先定义LSTM模型，然后再定义对应的损失函数，由于我们这里是风速预测，显然是个回归问题，所以采用回归问题常用的MESLoss()，如果可以的话，可以自定义损失函数，针对自己的项目需求定义对应的损失函数。对于优化器来讲，使用的也是目前常用的Adam优化器，对于新手来讲也可以多多尝试其它的优化器，比如SGDRMSprop等，对于优化器的选择，可以参考这篇文章Pytorch 30种优化器总结。
基于PyTorch+LSTM的交通客流预测（时间序列分析）
CSDN 精品推荐
12-31 4470
将深度学习与交通客流时间分布特征相结合，能够有效地揭示轨道交通客流量的变化趋势。本文将使用LSTM进行较为客观的客流量预测数据统计，并通过深度学习将预测结果应用于实践之中对轨道交通发车频次进行合理优化。
pytorch搭建RNN-LSTM循环神经网络[回归]详解
Troublemaker丶的博客
04-11 3365
实验结果： 这次用RNN_LSTM实现回归任务 代码中使用sin函数 拟合 cos函数 这里主要讲解搭建RNN部分，其他部分和前文中CNN搭建类似。 可参考pytorch搭建CNN卷积神经网络详解 ???? 搭建RNN（该任务使用RNN足矣） class RNN(nn.Module): def __init__(self): super(RNN, self)._...
基于pytorch的LSTM模型构建
qq_37320084的博客
12-24 4042
上文我们利用pytorch构建了BP神经网络，LeNet，这次我们利用LSTM网络实现对MNIST数据集的分类，具体的数据获取方法本文不详细介绍，这里只要讲解搭建LSTM网络的方法以及参数设置。 这里我们只用一层LSTM网络+全连接层实现对模型的构建。 # 输入为图片 (batch, seq_len, feature) 照片的每一行看作一个特征，一个特征的长度为32 INPUT_SIZE=32 HIDDEN_SIZE=10 LAYERS=2 DROP_RATE=0.2 TIME_STEP = 32
PyTorch入门实战教程笔记（二）：简单回归问题。
Superstar02的博客
11-03 1018
PyTorch入门实战教程笔记（二）：简单回归问题 简介 在学之前先讲解一下梯度下降算法，因为梯度就是深度学习的核心精髓。举个例子，一个简单的函数，如下图： ...
时间序列数据处理1——基于Pytorch构建长短时记忆网络（LSTM）
sinat_41354290的博客
07-01 3047
 本文主要实现基于pytorch构建长短时记忆网络（LSTM）的相关搬运工作。 目录1. LSTM简介1.1 从RNN说起1.2 什么是LSTM1.3 深入LSTM1.4 总结 1. LSTM简介 1.1 从RNN说起 循环神经网络（Recurrent Neural Network，RNN）是一种用于处理序列数据的神经网络。相比一般的神经网络来说，他能够处理序列变化的数据。 RNN之所以在时序数据上有着优异的表现是因为RNN在 ttt 时间片时会将 t−1t-1t−1 时间片的隐节点作为当前时间片的输入..
Pytorch实现的LSTM、RNN模型结构
知识搬运者
09-19 3567
LSTM的另外两个输入是 h0 和 c0，可以理解成网络的初始化参数，用随机数生成即可。
pytorch实现LSTM（附code）
热门推荐
ting_qifengl的博客
01-23 6万+
最近搞了一个NASA PCoE的IGBT加速老化数据，想基于pytorch框架写一个LSTM模型进行IGBT退化状态的预测，于是有了这篇文章。 注：LSTM的原理就不多讲了，网上一大堆，不懂的自己去百度，本文主要侧重代码实现。 一、数据集介绍 本数据集是NASA PCoE研究中心公布的IGBT加速老化数据集。数据集含有四种实验条件下的IGBT加速老化数据，以下是实验条件： （1）新设备的源测量单元（SMU data for new devices） 该文件中含有一组原始实验条件下的电气特性数据，分
使用PyTorch训练LSTM预测模型
csdn1561168266的博客
07-14 2808
大家好，长短期记忆网络（LSTM）是RNN的一种变体，RNN由于梯度消失的原因只能有短期记忆，LSTM网络通过精妙的门控制将短期记忆与长期记忆结合起来，并且一定程度上解决了梯度消失的问题。在开始新的优化迭代之前重置了模型参数的梯度，因为在PyTorch中默认情况下梯度会累积，如果不将其清零，则会导致在后续迭代中出现不正确的梯度计算。这个函数的目的是为了生成用于训练和测试时间序列预测模型的输入-输出对，输入-输出对是通过在时间序列数据上滑动一个给定长度（：输出的大小（例如，预测值的数量）。
用pytorch进行lstm回归预测代码
05-27
以下是一个使用PyTorch进行LSTM回归预测的示例代码： ``` python import torch import torch.nn as nn import numpy as np import matplotlib.pyplot as plt # 构造数据 time_steps = np.linspace(0, np.pi, 100) data = np.sin(time_steps) data = data.reshape(-1, 1) # 定义超参数 input_size = 1 hidden_size = 32 output_size = 1 lr = 0.01 num_epochs = 200 # 定义LSTM模型 class LSTM(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(LSTM, self).__init__() self.hidden_size = hidden_size self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): h0 = torch.zeros(1, x.size(0), self.hidden_size).to(x.device) # 初始化hidden state c0 = torch.zeros(1, x.size(0), self.hidden_size).to(x.device) # 初始化cell state out, _ = self.lstm(x, (h0, c0)) # LSTM层 out = self.fc(out[:, -1, :]) # 全连接层 return out # 实例化模型、定义损失函数和优化器 model = LSTM(input_size, hidden_size, output_size) criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=lr) # 训练模型 for epoch in range(num_epochs): inputs = torch.from_numpy(data[:-1, :]).float() labels = torch.from_numpy(data[1:, :]).float() outputs = model(inputs) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch+1) % 20 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item())) # 预测 model.eval() with torch.no_grad(): inputs = torch.from_numpy(data[:-1, :]).float() preds = model(inputs).detach().numpy() # 绘制结果 plt.plot(time_steps[:-1], data[:-1], 'r', label='real') plt.plot(time_steps[:-1], preds, 'b', label='predicted') plt.legend() plt.show() ``` 这个示例代码使用的是一个单层的LSTM模型，输入维度为1，隐藏维度为32，输出维度为1，用于对一个正弦函数进行回归预测。在训练过程中，使用MSELoss作为损失函数，Adam作为优化器。最后，使用模型对数据进行预测，并将结果与真实值进行对比。
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值